Кейсы: Как настроить Google Analytics, MixPanel и другие системы для корректного сбора данных | Цифровой журнал | about digital

Александр Павлов, ведущий веб-аналитик CubeLine Agency, написал для рубрики Growth Hacks колонку о способах настройки аналитики и тестирования, а также разобрал конкретные кейсы принятия решений, основанных на анализе данных.

Интеграция и настройка веб-аналитики

Перед тем как анализировать данные, нужно откуда-то их получить. Соответственно, первым шагом перед запуском любых кампаний будет подготовка платформы для сбора корректных данных и последующего анализа. Так мы создаём основу для принятия решений. Давайте рассмотрим этот алгоритм на примере кейса.

Кейс 1

Клиент: крупная ecommerce-компания.

Задача: подготовить платформу для корректного сбора данных и
последующего анализа.

Решение:

• Установка Google Tag Manager.
• Установка счетчиков через Google Tag Manager и настройка отслеживания целей и событий.
• Построение воронок пути пользователя.
• Сбор CLIENT_ID и USER_ID.
• Правильная UTM-разметка источников и каналов.

А теперь разберём по порядку.



Установка Google Tag Manager

Google Tag Manager (GTM) — бесплатный инструмент для маркетологов. С его помощью можно вставлять различные теги и скрипты непосредственно в код сайта на различные страницы.

Почему это удобно? Маркетологу достаточно один раз поставить контейнер на сайт и больше не прибегать к помощи разработчиков. Таким образом, инструмент экономит время и маркетологов, и разработчиков, а также всех людей, которые взаимодействуют с кодом сайта.

Установка счетчиков через Google Tag Manager и настройка отслеживания целей и событий



Через GTM очень удобно проводить различные счетчики и скрипты. Если маркетолог работает с Google Analytics, то GTM очень сильно упрощает работу с отслеживанием целей и событий.Также через GTM мы можем в кратчайшие сроки установить и протестировать практически любой front-end инструмент, опять-таки, без помощи разработчика.

Построение воронок пути пользователя



Если это не ecommerce-проект, то строится обычная воронка (визуализация последовательностей в Google Analytics): c того момента, как пользователь пришел на сайт, проходя через различные микро-конверсии и заканчивая главным целевым действием (например, отправка заявки).

Соответственно, если это крупный ecommerce-проект, то мы интегрируем плагин Universal Analytics Enhanced E-commerce, и уже непосредственно по нему можем понять, как пользователь пришел на наш сайт, какие действия он совершил, как добавляет товары в корзину и как оформляет заказ. Enhanced E-commerce намного мощнее, чем обычные воронки, потому что эти данные можно сегментировать в самом GA.

Сбор CLIENT_ID и USER_ID



CLIENT_ID — это идентификатор браузера пользователя.



USER_ID — это идентификатор пользователя, который выдается, когда он совершает регистрацию или авторизацию.

Собирая эти идентификаторы, можно получить данные по всем сессиям авторизованных пользователей, начиная с первого посещения. При отправке события в пользовательский параметр (custom dimension) Google Analytics через GTM, появляется возможность анализировать эти данные в GA, а также выгружать их и агрегировать с данными из CRM.

Правильная UTM-разметка источников и каналов



Каждый канал, источник, кампания, каждый баннер, объявление и ссылка должны быть размечены, для того, чтобы в последующем можно было анализировать все эти данные.

Это позволяет точно узнать, какой баннер лучше отработал, какая ссылка, какое объявление, а на основе этих данных можно оптимизировать рекламные кампании.

Результат:

• Так мы получили полноценную платформу для сбора аналитических данных.
• Благодаря GTM теперь можно интегрировать любые теги и скрипты, настраивать отслеживание целей и событий. А также тестировать различные front-end инструменты и сервисы.
• Благодаря настроенной воронке теперь можно понять, в каких местах на сайте пользователь испытывает различные проблемы. Собираются данные для оптимизации блоков, страниц и отдельных элементов.
• С помощью USER_ID и CLIENT_ID мы получаем данные по всем сессиям авторизованных пользователей, начиная с первого посещения.
• И так как все кампании у нас размечены по UTM, все данные собираются корректно.

Имея всю эту информацию, мы получаем огромное поле для дальнейшей работы. Теперь мы можем анализировать и тестировать эти данные, а затем принимать на их основе решения, которые повысят эффективность наших кампаний.

Тест и анализ параметров мобильного трафика

После того, как мы собираем практически все данные, у нас появилась возможность работать с ними. Зачастую аналитика и тестирование приводит к совершенно неожиданным выводам. Я приведу в пример свой любимый кейс.

Кейс 2

Клиент: приложение Skout — глобальная сеть для новых знакомств и общения.

Задача: максимально сегментировать трафик по различным параметрам, оптимизировать
рекламные кампании и повысить количество установок приложения.

Решение: использовать следующие инструменты для анализа:

• AppsFlyer — трекер установок мобильного приложения и рекламных каналов.
• Google Analytics — анализ активности и поведения пользователя внутри приложения.
• Для этих целей на других проектах используются различные аналоги: Adjust, MAT, MixPanel, Voluum и так далее



Мы отслеживали все параметры: пол, возраст, тематика, площадка, локация.

Первоначально рекламные кампании были таргетированы на ожидаемую целевую аудиторию: молодые люди и девушки (в основном) в возрасте от 16 до 28 лет. Были созданы различные рекламные материалы (креативы) в нескольких вариантах. Основной таргетинг был на тематику social, то есть на тех пользователей, которые интересуются и пользуются различными мессенджерами и социальными сетями, а также знакомятся в них. Были запущены кампании по общим таргетингам, разделенные по возрастным группам.



Итог: полученные данные после тестовых рекламных кампаний показали, что приложение больше скачивают и используют пользователи не из целевой аудитории и не по самому очевидному подходу.

Был выставлен таргетинг social, но скачивали также по категориям business, newsstand, books. И оказались, что в основном приложение интересует мужчин в возрасте 40+, а ожидалось, что большая часть пользователей — молодые люди и девушки.

Результат: более 10000 установок в день, значительный прирост активных пользователей приложения.

Анализ поведения покупателей

Анализируя поведение покупателей, мы можем оптимизировать цели и менять KPI в зависимости от приоритетов. Иногда поведенческие факторы заставляют менять курс.

Кейс 3

Клиент: крупная ecommerce-компания.

Задача: максимально сегментировать трафик по различным параметрам и проанализировать показатели.

Решение: проводить сегментирование по следующим параметрам:

• Источники.
• Каналы.
• Демография.
• Типы устройств.
• Операционная система.
• Вовлеченность.
• Активность пользователей по времени суток и так далее.

Итог:



Мы также проанализировали огромное количество целей и конверсий: заказ, регистрация в интернет-магазине, добавление в корзину и самое главное для этого кейса — подписка на рассылку. Так как email-маркетинг имеет самый высокий коэффициент конверсии на данном проекте, полученные данные оказали существенное влияние на ход кампании.



Мы поняли, что конверсия в подписку на рассылку с мобильных устройств на 40% выше, чем по компьютерам и планшетам (причём конверсия по определенным брендам и ОС смартфонов тоже разная). Поэтому мы приняли решение таргетировать кампании по подписке на рассылку только на мобильные устройства и значительно расширить этот канал.

Результат: создали новые рекламные кампании по подписке на рассылку, таргетированные на мобильные устройства и получили значительный прирост к базе подписчиков (около 15%), а значит и к доходу.

Персонализированная аналитика


После того, как мы уже получили все данные по сегментам и наиболее конверсионным источникам, следующим этапом будет создание детальных портретов пользователей. Так мы сможем оптимизировать наши кампании для достижения максимальной релевантности предложения и, в конечном счёте, продавать свои товары только тем, кто их купит.

Кейс 4

Клиент: крупная ecommerce-компания.

Задача: проанализировать поведение конкретных пользователей и создать различные сценарии рассылок по сегментам.

Решение: понятно, что на сайте мы собираем не все данные. Но мы можем их обогатить. Собрать всё то, что собрали в Universal Analytics, данные о заказах, e-mail, данные из системы внутреннего учета (к примеру, заказ который оформлен, не обязательно доставлен и выкуплен) и прочие регистрационные и персональные данные. С помощью интегрированного решения мы можем собрать все данные о пользователе в рамках одной системы.

Мы используем наше собственное решение, которое строится на базе трекера Piwik. Собираем данные в свою базу данных. И потом, используя различные инструменты, агрегируем и строим отчеты по ним.



Итог: мы видим профиль конкретного пользователя с именем, фамилией, другими персональными параметрами. Видим все его сеансы и знаем, с каких устройств он заходил, а также видим его активность на сайте: какие товары он просматривал, какие добавлял в корзину и какие заказы оформлял. Со временем такой информации может накопиться достаточно много, и она несомненно будет полезна.

По этим данным можно сделать вывод, какое количество денег приносит пользователь за всю свою жизнь на сайте (LTV), посчитать стоимость привлечения (CAC), ну и самое главное: понять, что его интересует и какие

товары он чаще всего покупает.